医疗图像分割多层次非对称对比学习预培训

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 医疗图像细分至关重要,但由于难以获得专家标记的数据而受到阻碍.
• 医疗图像的现有对比学习方法往往忽略了多层次表示,并没有充分利用解码器.

研究的目的:

• 提出一个新的多层次不对称的对比学习框架 (MACL),以增强医疗图像细分.
• 通过实现同时进行编码器-解码器预训练和整合多层次表示来解决当前对比学习的局限性.

主要方法:

• 开发了一个不对称的对比学习结构,用于同时进行编码器和解码器预训练.
• 实施了多层次的对比策略,整合了功能级,图像级和像素级的对应.
• 对8个医学图像数据集的框架进行了评估,与现有的11个对比学习策略进行了对比.

主要成果:

• 与其他11种对比学习策略相比,MACL表现优越.
• 在 ACDC,MMWHS,HVSMR 和 CHAOS 等数据集上实现了显著的子得分改善 (1.72%至7.87%),仅有10%的标记数据.
• 在5个不同的U-Net骨干中展示了强大的泛化能力.

结论:

• 拟议的MACL框架通过利用多层次表示和同时进行编码器-解码器预训练,有效地增强了医疗图像细分.
• 马克提供了一个有前途的解决方案,以提高细分精度,特别是在低数据的制度,并展现出强大的概括.